| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文研究内容及组织结构 | 第13-14页 |
| 第二章 卷积神经网络理论 | 第14-24页 |
| 2.1 CNN基本原理 | 第14-15页 |
| 2.2 CNN的求解 | 第15-19页 |
| 2.2.1 卷积层 | 第15-16页 |
| 2.2.2 池化层 | 第16-17页 |
| 2.2.3 全连接层 | 第17页 |
| 2.2.4 权值更新 | 第17-19页 |
| 2.3 迁移学习策略 | 第19-23页 |
| 2.3.1 迁移学习概述 | 第20-21页 |
| 2.3.2 基于深度CNN的迁移学习 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于双通道的CNN分类方法 | 第24-30页 |
| 3.1 数据准备 | 第24-25页 |
| 3.2 双通道网络结构设计 | 第25-26页 |
| 3.3 参数调整与模型训练 | 第26-29页 |
| 3.3.1 学习率调整 | 第26-27页 |
| 3.3.2 局部响应归一化 | 第27-28页 |
| 3.3.3 减少网络过拟合 | 第28页 |
| 3.3.4 激活函数选择 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 结合通道加权与联合监督的CNN分类方法 | 第30-40页 |
| 4.1 联合监督策略 | 第30-34页 |
| 4.1.1 损失函数概述 | 第30-32页 |
| 4.1.2 中心损失函数应用原理 | 第32-33页 |
| 4.1.3 基于联合监督的CNN训练方案 | 第33-34页 |
| 4.2 基于通道加权的卷积神经网络方案 | 第34-37页 |
| 4.2.1 深度模型的性能提升策略 | 第34-36页 |
| 4.2.2 通道加权单元原理与应用 | 第36-37页 |
| 4.3 结合通道加权与联合监督的CNN网络结构设计 | 第37-39页 |
| 4.3.1 9日胚胎数据集 | 第37-38页 |
| 4.3.2 网络结构设计 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 实验结果与分析 | 第40-50页 |
| 5.1 双通道CNN实验与分析 | 第40-44页 |
| 5.1.1 网络结构对比分析 | 第40-42页 |
| 5.1.2 双通道比例分析 | 第42-44页 |
| 5.2 结合通道加权与联合监督的CNN实验与分析 | 第44-47页 |
| 5.2.1 网络结构对比分析 | 第44-45页 |
| 5.2.2 SE模块超参数分析 | 第45-46页 |
| 5.2.3 SE模块对中心损失的影响分析 | 第46-47页 |
| 5.2.4 损失函数倍率调整 | 第47页 |
| 5.3 综合实验结果与对比 | 第47-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50-51页 |
| 6.2 展望 | 第51-52页 |
| 参考文献 | 第52-58页 |
| 发表论文和参加科研情况 | 第58-60页 |
| 致谢 | 第60页 |